- 1112 -
로직기반의 퍼지뉴럴 네트워크를 이용한 풍력발전기 출력예측
강종진, 예송범, 차종현, 김윤건, 강경호, 탁동규, 한창욱 동의대학교
Estimation of wind turbine power generation using logic-based fuzzy neural networks
Jong-Jin Kang ․ Song-Bum Yea ․ Jong-Hyun Cha ․ Yun-Gun Kim Kyung-Ho Kang ․ Dong-Kyu Tak ․ Chang-Wook Han
Dong-Eui University
Abstract - This paper proposes the method to predict the wind turbine power generation using logic-based fuzzy neural networks. To predict the wind turbine power generation neural networks, logic-based fuzzy neural networks, and fuzzy neural models have been considered. But the model considered in this paper can predict the wind turbine power generation with a less complex structure. The simulation results show the effectiveness of the proposed method.
1. 서 론
인류는 예전부터 자연계에 존재하는 에너지를 여러 가지 형태로 무분별하게 이용하여왔다. 이 중 특히 화석연료 에너지원의 감소 는 우리 생활에 위험요소로 다가오고 있다. 실제의 예로 작년 국 제유가는 150달러에 육박해 제2의 오일쇼크를 겪으면서 대체에 너지의 필요성을 실감하게 되었다. 이러한 상황은 우리가 이러한 한정적인 천연자원을 후세에 물려주기 위해서 다른 에너지 즉 신재생에너지의 개발과 이용이 시급한 문제로 대두 되고있다. 그 러한 상황을 방영하듯 신재생에너지의 필요성이 증대 되고 있는 요즈음 세계 각국에서 신재생분야의 연구가 활발히 진행되고 있 으며 우리나라도 신재생 분야의 연구비중이 급속도로 늘어나고 있다. 이러한 신재생에너지 중 특별히 각광받고 있는 바람에너지 를 이용한 풍력발전에 대해서 고찰해보겠다. 풍력에너지는 바람 을 블레이드를 통해 기계적 에너지를 변환하고 이를 다시 전기 적 에너지로 바꾸는 방식으로 우리의 실생활에 유용하게 쓰이고 있다. 하지만 풍력에너지를 자연에너지로 이용하는 것이기 때문 에 우리가 쓸 수 있는 전력 즉, 풍력에너지의 전력변환시의 출 력은 항상 일정하지 않게 된다. 우리는 이러한 사항을 효율적으 로 이용하여 전력을 얻기 위해 로직기반 뉴럴 네트워크 이용할 것이다. 이 제어는 바람이 입력이라고 가정 시 이 입력을 이용해 우리가 다음에 설명할 모델을 이용해 학습을 통하여 최적화된 출력을 얻게 될 것이다. 이러한 로직기반 뉴럴 네트워크 시스템 은 본 논문의 본론에서 알 수 있듯이 기존의 뉴럴 네트워크 시 스템과는 다르게 적은 값으로도 최적의 값을 낼 수 있으며 출력 속도 또한 빠름을 나타낼 것이다.
2.logic model
앞에서 언급했듯 풍력은 일시적이고 변하기 쉬운 에너지원이다.
미풍이 부는 날이 있으면 강풍이 부는 날도 있다. 이렇게 시시각 각 풍속이 끊임없이 바뀌는 자연에너지를 안정적인 전력에너지 로 효율적으로 생산하기 위해 logic model등을 이용한 제어시스 템이 필요로하게 된다. 이에 본 논문에서는 많은 제어시스템 중 logic model을 이용하여 풍력발전의 출력을 제어한다. 네트워크 의 일반적인 구조를 해석하기 위해서는 다음과 같은 식의 이해가 필요하다.
․AND 뉴런 ․ OR뉴런
(wisxi)
(witxi)
이 두 가지의 뉴런 연산결과를 이용하면 출력은 다음과 같은 식 으로 표현될 수 있다.
위 식에서 출력과 결선강도와의 관계를 도함수로 나타내면 다음 과 같은 식으로 n에 따라 지수 함수적으로 증가한다.
위식을 통해 이러한 시스템은 학습을 통해 입력측에 측정값 입
력시 값이 지수 함수적으로 증가하므로 비효율 적임을 알 수 있 다. 이에 우리는 로직 모델을 이용하여 많은 연결 중 불필요한 연결을 제거하는 방법을 사용하여 입력 측에 입력 값을 입력 시 에도 값이 지수 함수적으로 증가하지 않기 때문에 최종값의 출 력속도가 빠르고 또한 값이 작음에도 불구하고 최적의 값을 낼 수 있다. 본 논문에서는 로직 모델을 이용하여 위와 같은 최적화 된 값을 통해 풍력발전의 최대 출력을 제어할 것이다.
2.2 logic-model을 이용한 출력제어
실제 logic-model의 사용을 위해 여러 가지의 판별법 중 본 논문 에서는 가우시안 판별법을 사용한다. 이 판별법 사용을 위해 풍 력발전의 date를 먼저 수집하는 과정이 필요하다. 이 데이터의 수집은 풍력발전기가 설치된 위치 즉, 허브높이에서 가능하다.
수집과정은 실제풍력발전기 1기를 지정하여 이틀간의 10분간 1 초씩의 발전기의 풍속 ,출력 데이터를 통해 발전기의 평균 풍속, 풍속의 표준편차, 출력의 평균값 을 통해 구성하게 된다. 입력변 수에 사용된 값들은 평균풍속 v(n), v(n-1), v(n-2), v(n-3), 표준 편차 e(n), e(n-1), e(n-2), e(n-3), 출력 p(n-1), p(n-2)이며, 이러 한 입력변수에 의한 출력값 을 p(n) 으로 한다. 입력변수는 제안 된 시스템에서 처리되기 위하여 각각의 실수 값들을 membership function 을 통하여 소속도로 변환한다. 이 시스템에 서 사용하는 membership function은 가우시안 소속 함수를 사용 하였다. 이 시스템에서의 다른 시스템과의 차이는 일반 fuzzy-model 사용 시 부울 함수와 디지털 시스템의 문제점과 유 사한 문제점이 발생되므로 계층 구조적 규칙을 기반으로 하는 시스템영역에서 높은 입력변수가 들어오게 되는 경우 계층규칙 을 실행하는데 있어 효율이 떨어지는 현상이 발생하게 된다 .이 러한 문제점이 발생하게 되어 우리는 logic-based fuzzy neural networks을 사용하게 되는데 이 logic-based fuzzy neural networks은 시스템의 구조를 간단히 하게 되어 많은 정수의 입 력변수를 사용하게 되는 경우라도 부분집합을 기초로 하기 때문 에 시스템의 구조가 복잡해 지지 않고 fuzzy-model에 비해 시간 감소라는 측면과 함께 결과치를 비교할 경우에도 많은 차이를 보이지 않으므로 우리는 logic-based fuzzy neural networks을 사용한 제어법을 사용하게 되었다.
3. 실험 및 결과.
본 논문에서는 실제로 풍력발전을 통해 결과를 도출할 수 없으 므로 프로그램을 통해 풍력발전의 결과치를 예측해 보았다. 먼 저, 부산 감천항에 현재 시운전중인 3kw급 풍력발전 시스템의 풍력데이터 13,15일 양일간의 데이터를 구해 오전 12:00부터오후 6시 10분까지의 풍속과 전력량을 통해 풍속의 평균과 풍속의 표 준편차와 출력의 평균을 산출하였다. 본 논문에서 사용하는 logic-based fuzzy neural networks 프로그램을 구동하기 위해 서는 산출한 데이터를 C프로그램을 통해 변환 시킨 결과 총 148 개의 데이터 중 99개는 training데이터 49개는 testing 데이터로 학습시키게 되고 그 두가지로 학습된 데이터를 logic-based fuzzy neural networks 프로그램을 사용하여 결과를 도출하게 되 는 방식이다. 본 논문에서 추구하는 최적의 풍력 발전기 출력예 측을logic-based fuzzy neural networks 프로그램을 통해 오차 를 줄여나가면서 최적의 결과를 도출해 내는 과정을 알아본다.
2009년도 대한전기학회 하계학술대회 논문집 2009. 7. 14 - 17
- 1113 -
GA Input
number of nodes in
hidden layar 3
inputs/node 5
number of generations 100 size of population 200
probability of
crossover 0.8
probability of mutation 0.02 Grdient Input number of generations 1000 learning rate 0.02
<표 1> 최적화를 위한 파라메터 설정
그림3.1 logic-based fuzzy neural networks 출력 예측 출력예측
logic-based fuzzy neural networks을 사용 시 보여 지는 출력 예측의 그림이다. 여기서 본 논문에서는 입력층에 3개, 은닉층은 5개 그리고 개체수 는 100개. 개체군은 200개, 교차확률0.8, 돌연 변이확률 0.02로 시스템 설정 후 구동한 출력예측의 결과이다.
이 그림에서 보여지 듯 처음 첫 번째부터 보여 지는 개체군은 결과치가 일정하지 않지만 점차 안정되고 점점 최적출력에 가까 워지는 모습을 확인 할 수 있다.
그림3.2 경사 학습법을 통한 결과 경사학습법을 통한 결과치
logic-based fuzzy neural networks를 사용 시 보여 지는 경사 학습법을 통한 결과 그림이다. 여기서는 앞과 동일하게 설정 후 프로그램을 구동하게 되는데 여기서 다른 점은 앞의 실험을 1000번 되풀이하게 지정 후 학습률을 0.02로 지정해준다는 점이 다른 점이다. 즉 더 많이 같은 실험을 반복 후 학습률을 지정해 줌으로서 그림에서 알 수 있듯이 더 평탄해지는 걸 알 수 있는 데 즉 이 말은 더 안정된 수치를 보여주고 더 최적출력에 가까 워짐을 알 수 있다.
그림3.3 출력 값과 학습시 출력 값의 비교 그래프
출력 값 비교
logic-based fuzzy neural networks 사용 시 보여 지는 출력 값과 학습했을 경우의 출력 값을 비교한 그림이다. 두 비교 그래 프중 위의 그래프는 training 시킨 값과 출력 값을 비교한 것이 고, 아래의 그래프는 test값과 출력 값을 비교한 그림이다. 그림 에서 보여 지는 값들의 분포를 보면 점들이 어느 정도 밀집되어 있음을 알 수 있다. 점들이 밀집되어 있는 곳에서는 학습을 통한 출력예측의 오차범위가 줄어들고 점들이 분산되어 있는 곳은 오 차범위가 커진다.
그림3.4 실험을 통한 최적화된 neural networks의 구조 최적화된 neural networks
logic-based fuzzy neural networks를 사용하여 학습시킨 최적 화된 신경망 구조이다. 입력 층에서 은닉 층을 통해 출력 시 그 림 3.4에서 알 수 있듯이 여러 가지 웨이트 값들이 나타남을 알 수 있다. 이 중 28번째 입력 층에서 5번째 은닉층을 통해 출력 시 웨이트 값이 각각 0.996517과 1.00000로 가장 좋게 나타났다.
이와 같이 높게 나타난 웨이트 값과 반대로 값이 낮게 나온 값 들을 배제하고 높은 웨이트 값을 통해 최적화된 출력값을 얻을 수 있게 된다.
4. 결 론
본 논문은 logic 퍼지-뉴럴 네트워크를 이용한 풍력발전기의 출 력 예측 구조를 제안하였다. logic 퍼지-뉴럴 네트워크의 실험 결과를 통해 알 수 있는 풍속과 출력의 시간적 변화 데이터만으 로 어느 정도의 최적의 출력예측이 가능하다는 점을 알 수 있었 다. 즉, logic-model을 이용하여 어느 정도의 풍속에 대한 전력량 을 측정 할 수 있다는 점이다. 다시 말해 풍속이 강한 어떤 지점 에서 출력예측이 가능하다는 것은 굳이 풍력발전기를 세워 출력 을 보지 않더라도 풍속데이터를 통해 얻을 수 있는 출력량과 실 제의 출력량이 거의 일치하므로 인해 최적의 장소에 풍력발전기 를 설치할 수 있음을 말해주는데 즉, 풍력발전기를 세워보지 않 아도 얻을 수 있는 풍력에너지의 예측이 가능하므로 시간의 절 약과 자본의 감소를 가져다주는 결과를 보일 것으로 보인다.
[참 고 문 헌]
[1] Witold Pedrycz , Marek Reformata ,“Genetically optimized logic models” Received 3 August 2002; received in revised form 30 December 2003; accepted 18 May 2004 [2] S. Kelouwani, K. Agbossou, “Nonlinear Model Identification of Wind Turbine with a Neural Network”, IEEE TRANSACTIONS ON ENERGY CONVERSION, VOL. 19, NO.
3, 607-612, SEP 2004
[3] W. PEDRYCZ , M. REFORMAT , C.W. HAN , “Cascade Architectures of Fuzzy Neural Networks”, Fuzzy Optimization and Decision Making, 3, 5-37, 2004
